可穿戴手勢識別控制器

    設(shè)備體積大小只有2.3 cm×1.4 cm×0.8 cm，通過5 V鋰電池為系統(tǒng)供電，控制器的實物圖正、反面如圖2所示，穿戴于食指的第二個關(guān)節(jié)上。

3 手勢識別算法

3.1 手勢數(shù)據(jù)預(yù)處理

    微慣性傳感器能夠采集動態(tài)的手勢數(shù)據(jù)，但由于敏感原件的固有特性會產(chǎn)生隨機(jī)噪聲，所以采用卡爾曼濾波方法(Kalman)對獲取的加速度、角速度數(shù)據(jù)等進(jìn)行平穩(wěn)去噪處理?？柭鼮V波方法僅需知道前一時刻的估算值和當(dāng)前測量值，通過時間更新和觀測更新方程不斷迭代獲得當(dāng)前狀態(tài)信息和濾波增益[9]，相比于小波變換[10]、傅里葉變換方法節(jié)省了數(shù)據(jù)的存儲空間和算法的編譯時間。通過設(shè)定觀測噪聲協(xié)方差和過程噪聲協(xié)方差矩陣相近的取值，可以剔除手勢數(shù)據(jù)中的高頻噪聲，角速度的濾波效果如圖3所示。

其中，L為手勢長度，wxi、wyi、wzi為手勢在X、Y、Z軸上的角速度，axi、ayi、azi分別為手勢在三軸上的加速度，g為重力加速度。

    (3)角速度能量最大軸：每個軸角速度能量計算方法如式(3)所示，角速度能量最大軸為分別計算各軸角速度總和之后比較得出的最大者，即max(Ewx，Ewy，Ewz)所在的坐標(biāo)軸。

    (5)姿態(tài)角變化量Δa：控制器在運(yùn)動起點與終點時的三軸姿態(tài)角的分別差值的總和，如下式：

    第一層：敲擊手勢持續(xù)時間短，產(chǎn)生手勢數(shù)據(jù)個數(shù)少且運(yùn)動劇烈程度小，因此根據(jù)手勢長度、手勢能量兩個特征量閾值區(qū)分出敲擊類手勢。

    第二層：翻轉(zhuǎn)手勢主要是繞X軸作旋轉(zhuǎn)運(yùn)動，角速度能量主要集中于X軸，所以利用X軸是否為角速度能量最大軸即可識別出翻轉(zhuǎn)手勢。

    第三層：劃叉、晃動、劃鉤、甩動手勢間的手勢長度、手勢能量、加速度波峰數(shù)特征量都有一定的交集，所以利用Fisher線性分類算法將4種手勢分為兩類：f=43×L+65×E+124×P-29 900，當(dāng)f>0為劃叉和晃動類手勢，反之為劃鉤和甩動類手勢。

    第四層：分析晃動和劃叉手勢的起止點的三軸姿態(tài)角數(shù)據(jù)，得出劃叉比晃動手勢的姿態(tài)角變化量大，以此區(qū)分這兩類手勢。甩動手勢是繞Z坐標(biāo)軸作單方向的旋轉(zhuǎn)運(yùn)動，滿足單符號角速度特征，因此和劃鉤手勢進(jìn)行區(qū)分。

4 實驗結(jié)果

    考慮到用時最短的敲擊手勢頻率小于10 Hz，只要采樣頻率大于手勢動作的2～3倍就可以獲得完整的動作數(shù)據(jù)信息，所以本設(shè)計分別以不同的頻率進(jìn)行數(shù)據(jù)采樣，按照以上識別算法進(jìn)行平均識別時間和準(zhǔn)確率測試如表2所示。隨著采樣頻率增加，采集數(shù)據(jù)增加，編譯時間增加和準(zhǔn)確率提高，但當(dāng)采樣頻率過大時則采集數(shù)據(jù)過多導(dǎo)致計算量增大反而影響準(zhǔn)確率，實時性降低。為保證算法的實時性和控制計算量，將控制器的采樣頻率設(shè)為50 Hz，分類算法的編譯和識別可以在0.085 s內(nèi)完成，不會影響設(shè)備的下次數(shù)據(jù)采樣。

    其中的誤差主要是由于甩動手勢在操作前有極短的反方向運(yùn)動過程而不滿足單符號角速度特征，易被識別為劃鉤手勢；當(dāng)甩動力度過大時，手勢能量和波峰數(shù)增加，將導(dǎo)致Fisher函數(shù)值大于零，且甩動手勢的姿態(tài)角變化量較小，所以也可能被劃分為晃動手勢。同理，當(dāng)晃動手勢動作幅度過小時，分類器出現(xiàn)誤差，且不具有單符號角速度特性，有被識別為劃鉤手勢的可能。劃鉤手勢力度過大和因姿態(tài)角變化量較大將被識別為劃叉類，操作劃叉手勢力度過小時和不具有單符號角速度特征將被分類為劃鉤手勢。

5 結(jié)論

    本文提出了一種具有手勢識別功能的可穿戴控制器的設(shè)計方法。控制器充分運(yùn)用了慣性傳感器的加速度計和陀螺儀的輸出數(shù)據(jù)，依據(jù)特征量提取的方法對手勢數(shù)據(jù)進(jìn)行分析，成功實現(xiàn)了對6種手勢的識別，確保了分類算法的準(zhǔn)確率。該設(shè)計方法首先對控制器進(jìn)行設(shè)備姿態(tài)更新，消除了以往僅使用加速度計對設(shè)備姿態(tài)的限制，提高了設(shè)備的用戶體驗性和實用性。而且使用者無需經(jīng)過訓(xùn)練提取模板，減小了個體差異引起的誤差，同時該手勢識別算法省去了傳統(tǒng)算法中模板匹配過程的計算量，確保了算法的簡單性。

參考文獻(xiàn)

[1] 王萬良，楊經(jīng)緯，蔣一波．基于運(yùn)動傳感器的手勢識別[J]．傳感技術(shù)學(xué)報，2011，24(12)：1723-1727．

[2] Liu Yu.Inertial sensor-based mobile phone gesture recognition[J].application of Electronic Technique，2011，37(12)：76-79.

[3] 黃啟友，戴永，胡明清．基于陀螺傳感器的三維手勢識別方案[J]．計算機(jī)工程，2011，37(22)：72-76.

[4] Yin Liang，Dong Mingzhi，Duan Ying.A high-performance training-free apPRoach for hand gesture recognition with accelerometer[J].Multimedia Tools and Applications，2014(1)：843-864．

[5] Jun-Ki Min，Bongwhan Choe，Sung-Bae Cho.A selective template matching algorithm for short and intuitive gesture UI for accelerometer built-in mobile phones[C].IEEE Second World Congress on Nature and Biologically Inspired Computing.Fukuoka，2010：660-665．

[6] SCHLLOMER T.Gesture recognition with a Wii controller[C].Proceedings of the 2nd International Conference on Tangible and Embedded Interaction.Bonn，2008：11-14.

[7] Xu Ruize，Zhou Shengli，WEN J，et al.MEMS accelerometer based nonspecific-user hand gesture recognition[J].IEEE Sensors Journal，2012，12(5)：1166-1173.

[8] 黃劉松，儲岳中，張學(xué)鋒．基于加速度傳感器的乒乓球擊球動作識別[J]．傳感器與微系統(tǒng)，2016，35(1)：56-58．

[9] 張海鵬，房建成．MEMS陀螺儀短時漂移特性試驗研究[J]．中國慣性技術(shù)學(xué)報，2007，15(2)：100-104．